JP6927300B2 - 情報処理装置、情報処理システム、情報処理方法、及び、プログラム - Google Patents

Description

本発明は、情報の処理、特に、言語に関連する情報を処理する情報処理装置などに関する。

所定の言語における意味を理解する処理、又は、所定の言語における推論を実現する処理のためには、予め、ある程度の大量かつ所定の範囲における知識（事前知識）が必要である。このような知識の一つとして、イベント間の含意関係知識がある。

イベントとは、何らかの出来事を表す言語における表現である。言語解析のための文法理論の一つである格文法では、イベント（出来事）は、述語（ｐｒｅｄｉｃａｔｅ）、及び、０個以上の項（ａｒｇｕｍｅｎｔ）を含む述語項構造（ｐｒｅｄｉｃａｔｅ ａｒｇｕｍｅｎｔ ｓｔｒｕｃｔｕｒｅ）を用いて表される。

述語とは、イベントの成り行きを記述する言葉であり、一般的に、動詞である。ただし、述語として、動詞に加え、形容詞又は名詞などを含む理論もある。以下の説明に用いる例では、述語として動詞を用いる。ただし、これは、本発明を動詞に限定するものではない。

また、項とは、イベントの記述に必要不可欠な要素である。項の分類としては、一般的に「格（ｃａｓｅ）」が用いられる。例えば、格には、述語の動作主体である動作主格（Ａｇｅｎｔ）、述語の対象である対象格（Ｏｂｊｅｃｔ）、述語の目標である目標格（Ｇｏａｌ）、及び、述語に関連する手段である道具格（Ｉｎｓｔｒｕｍｅｎｔ）などがある。

また、含意関係知識とは、２つのイベント間における含意関係に関連する知識である。イベント間の含意関係とは、片方のイベント（一般的に、次のイベントに対して前に表現されるため、以下「前件」と呼ぶ）が成立した際、必ず又は高い確率で、他方のイベント（以下、「後件」とも呼ぶ）が成立する関係である。例えば、イベントＰ（前件）が成立した際に、必ず又は高い確率でイベントＱ（後件）が成立する場合、イベントＰ及びＱからなるイベント対（ｅｖｅｎｔ ｐａｉｒ）は、含意関係にある。なお、上記のようなイベント対の含意関係は、一般的に「Ｐ→Ｑ」と表される。含意関係知識とは、このような含意関係にあるイベント対を含む知識である。

コンピュータにおいて処理可能な言語データ又は文字データの集合（以下、「テキスト」とも呼ぶ）から、含意関係を取得する技術が研究されている（例えば、特許文献１及び２、並びに、非特許文献１を参照）。

特許文献１に開示されている技術（以下、「第１の関連技術」と呼ぶ）は、２つのテキストにおける述語項構造のベクトルを比較して、述語項構造の組合せを同定する。そして、第１の関連技術は、組合せの特徴量に基づいてテキスト間の含意関係を判定する。

特許文献２に開示されている技術（以下、「第２の関連技術」と呼ぶ）は、標本データにおける画像と画像以外のメディアとのトピックの分類の精度を向上するための技術である。第２の関連技術は、まず、トピックの特徴量ベクトルを要素とするトピック共起確率行列を、潜在トピック共起確率行列と潜在トピック重み行列とに分解する。そして、第２の関連技術は、潜在トピック共起確率行列から、画像及び画像以外のメディアそれぞれに対応する潜在トピック共起確率を算出する。

非特許文献１に開示されている技術（以下、「第３の関連技術」と呼ぶ）は、述語対に共有される項（共有項）の情報に基づき、テキストから含意関係知識を抽出する。

具体的には、第３の関連技術は、入力されたテキストから述語項構造を抽出し、抽出した述語項構造を述語と一つの項との組に分解する。そして、第３の関連技術は、各組が出現した頻度（その組に含まれる述語と項との共起頻度）をカウントし、「述語、項、及び共起頻度」からなる共起頻度データベースを構築する。次に、第３の関連技術は、共起頻度データベースを基に、同一の項を共有する「述語項構造の対」を選択する。同一の項を共有する述語項構造の対とは、例えば、述語項構造（述語ｖ１，項ａ１）と述語項構造（述語ｖ２，項ａ２）とにおいて、「ｖ１≠ｖ２ ∧ ａ１＝ａ２」である述語項構造の対である。

そして、第３の関連技術は、その述語項構造の対における含意関係知識としての関連の強さを示すスコア（以下、第３の関連技術の説明において、「スコア１」と呼ぶ）を計算する。続いて、第３の関連技術は、同一の「述語の対」を含む全ての述語項構造の対のスコア１を統合したスコア（以下、第３の関連技術の説明において「スコア２」と呼ぶ）を計算する。スコア２は、述語対における含意関係知識としての関連の強さを示す値である。第３の関連技術は、スコア２が所定の条件（例えば、スコア２が閾値より大きい）を満たす述語の対を選択する。そして、第３の関連技術は、選択した述語の対を、含意関係知識の集合に追加する。

国際公開第２０１３／０５８１１８号 特開２０１１−１０８１９２号公報

橋本 力、鳥澤 健太郎、黒田 航、デサーガ ステイン、村田 真樹、風間 淳一 著、「ＷＷＷからの大規模動詞含意知識の獲得」情報処理学会論文誌、５２巻、１号、２０１１年１月１５日、２９３から３０７ページ

項を共有しないイベント対が、含意関係となる場合もある。

しかし、第３の関連技術は、対象となるテキスト中で、同一の項を共有しないイベント対については、関連の強さを判定できない。つまり、第３の関連技術は、含意関係知識として、項を共有しないが含意関係を有しているイベント対を抽出できないという問題点があった。

イベントに含まれる項を増やすと、イベント間において、少なくとも一部の項を共有する可能性が高くなる。第３の関連技術は、項の共有として、複数の項を含むイベント対における項の共有についても処理することができる。

しかし、イベントに含まれる項を多くすると、テキストにおいて、そのイベントが発生することが、まれとなる。そのため、イベントに含まれる項を多くすることは、必ずしも上記問題点を解決するものではない。

また、第１及び第２の関連技術は、項を共有しないイベント対の処理に関連する技術ではない。

このように、特許文献１並びに２、及び、非特許文献１には、言語データにおいて共起が観測されないが共起する可能性がある述語項構造の対、つまり共起が潜在している述語項構造の対を選択できないという問題点があった。

本発明の目的は、上記問題点を解決し、言語データにおいて潜在的な共起の関係となっている述語項構造の対を選択する情報処理装置など提供することにある。

本発明の一形態である情報処理装置は、言語データを基に述語と述語の対象となる項とを含む述語項構造を生成する構造生成手段と、述語項構造における述語と項との共起を示す第１のデータを生成する共起生成手段と、第１のデータを第１のデータに含まれる要素より少ない要素を含む複数の第２のデータに分解し、第２のデータを基に述語と項との潜在的共起を含む第３のデータを生成する潜在生成手段と、第１のデータ及び第３のデータを用いて述語項構造を選択し、選択した述語項構造を含む述語項構造の対におけるスコアを第３のデータを用いて計算するスコア計算手段と、スコアを基に対を選択する対選択手段と含む。

本発明の一形態である情報処理システムは、上記情報処理装置と、言語データを取得して、情報処理装置に送信する送信装置と、選択された対を情報処理装置から受信して保存する受信装置とを含む。

本発明の一形態である情報処理方法は、言語データを基に述語と述語の対象となる項とを含む述語項構造を生成し、述語項構造における述語と項との共起を示す第１のデータを生成し、第１のデータを第１のデータに含まれる要素より少ない要素を含む複数の第２のデータに分解し、第２のデータを基に述語と項との潜在的共起を含む第３のデータを生成し、第１のデータ及び第３のデータを用いて述語項構造を選択し、選択した述語項構造を含む述語項構造の対におけるスコアを第３のデータを用いて計算し、スコアを基に対を選択する。

本発明の一形態であるプログラムは、言語データを基に述語と述語の対象となる項とを含む述語項構造を生成する処理と、述語項構造における述語と項との共起を示す第１のデータを生成する処理と、第１のデータを第１のデータに含まれる要素より少ない要素を含む複数の第２のデータに分解する処理と、第２のデータを基に述語と項との潜在的共起を含む第３のデータを生成する処理と、第１のデータ及び第３のデータを用いて述語項構造を選択する処理と、選択した述語項構造を含む述語項構造の対におけるスコアを第３のデータを用いて計算する処理と、スコアを基に対を選択する処理とをコンピュータに実行させる。

本発明によれば、言語データにおいて潜在的な共起の関係となっている述語項構造の対を選択できるとの効果を奏する。

図１は、本発明における第１の実施形態に係る情報処理装置の構成の一例を示すブロック図である。 図２は、述語項構造の対の一例を示す図である。 図３は、原共起テンソルの一例を示す図である。 図４は、別の原共起テンソルの一例を示す図である。 図５は、潜在生成部の説明に用いる原共起テンソルの一例を示す図である。 図６は、因子テンソルの一例を示す図である。 図７は、図６の因子テンソルの積である復元テンソルを示す図である。 図８は、原共起テンソルと復元テンソルとを示す図である。 図９は、第１の実施形態に係る情報処理装置の動作の一例を示すフロー図である。 図１０は、第２の実施形態に係る情報処理装置の構成の一例を示すブロック図である。 図１１は、３階のテンソルの場合におけるテンソルの分解と積との一例を示す図である。 図１２は、第３の実施形態に係る情報処理装置の構成の一例を示すブロック図である。 図１３は、対象となる格が２つの場合における行列の分解と積との一例を示す図である。 図１４は、図１３に対応する関連度に用いるベクトルの一例を示す図である。 図１５は、情報処理装置のハードウェアの構成の一例を示すブロック図である。 図１６は、本発明のおける各実施形態に係る情報処理システムの構成の一例を示す図である。

次に、本発明における実施形態について図面を参照して説明する。

各図面は、本発明における実施形態を説明するためのものである。ただし、本発明は、各図面の記載に限られるわけではない。また、各図面の同様の構成には、同じ番号を付し、その繰り返しの説明を、省略する場合がある。また、以下の説明に用いる図面において、本発明の説明に関係しない部分の構成については、記載を省略し、図示しない場合もある。

本発明における実施形態は、言語に関連するデータ（以下、「言語データ」と呼ぶ）を処理する。

処理対象となる言語におけるデータの形式は、任意である。例えば、データの形式は、テキスト形式、又は、バイナリ形式でもよい。あるいは、言語データは、Ｈｙｐｅｒ−Ｔｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅのように、言語データ内にメタデータ又は言語階層に関連するデータを含むデータでもよい。

さらに、処理に用いる言語の構造は、構造に含まれ要素間及び構造間の共起を定義できる限り、任意である。以下では、構造の一例として、述語項構造を用いて説明する。

さらに、処理の対象となる言語における共起における意味的内容は、任意である。例えば、意味的内容の一例は、イベント対における含意関係である。イベント対における含意関係とは、イベント対（例えば、「Ｐ→Ｑ」）における前のイベント（前件Ｐ）が成立時に後のイベント（後件Ｑ）が成立することである。

さらに、具体的な処理に用いられるデータ構成は、任意である。例えば、処理に用いるデータ構成は、行列（ｍａｔｒｉｘ）でもよく、行列の拡張でもあるテンソル（ｔｅｎｓｏｒ）でもよい。以下では、データ構成として、適宜、テンソル及び／又は行列を用いて説明する。ただし、これは、本発明におけるデータ構成を、テンソルなどに限定するものではない。

本発明は、以下の説明に用いられるデータ、その形式、及び、その構成などに限定されない。

＜第１の実施形態＞
以下、図面を参照して、第１の実施形態について説明する。

（概要）
第１の実施形態に係る情報処理装置１００は、言語データを基に、その言語データにおける述語項構造における述語と項との共起（ｃｏ−ｏｃｃｕｒｒｅｎｃｅ）を示すデータ（以下、「第１のデータ」と呼ぶ）を生成する。

そして、情報処理装置１００は、第１のデータを所定のデータ（以下、「第２のデータ」と呼ぶ）に変換し、第２のデータを基に、述語項構造における述語と項との潜在的な共起を含むデータ（以下、「第３のデータ」と呼ぶ）を生成する。

ここで、潜在的な共起とは、言語データにおいて明示的には共起となっていない（つまり、言語データにおいて観測されなかった）述語項構造における述語と項との共起である。第１のデータと第３のデータとの差が、潜在的共起となる。

そして、情報処理装置１００は、潜在的共起の値が所定の閾値より大きい「述語項構造を含む「述語項構造の対」における評価値(以下、「スコア」と呼ぶ）を計算する。

そして、情報処理装置１００は、スコアが所定の条件を満たす述語項構造の対を選択する。

選択された述語項構造の対が、言語データにおいて潜在されていた含意関係知識の候補となる。

述語項構造の対のスコアは、例えば、述語項構造の対において、前件の成立時に後件が成立する（つまり、前件が後件を含意する）程度（例えば、確率）を示す値である。スコアの値は、上記の程度が高くなるほど高い値となってもよく、程度が高くなるほど低い値となってもよい。ただし、以下の説明では、スコアの値は、上記の程度が高くなるほど、高い値となるとする。つまり、以下の説明では、スコアは、前件が成立時に後件が成立する程度が高いほど高い値となる。ただし、本実施形態のスコアは、上記に限定されない。

[構成の説明]
まず、図面を参照して、本発明における第１の実施形態に係る情報処理装置１００の構成について説明する。

図１は、本発明における第１の実施形態に係る情報処理装置１００の構成の一例を示すブロック図である。

情報処理装置１００は、構造生成部１２０と、共起生成部１３０と、潜在生成部１４０と、スコア計算部１５０と、対選択部１６０とを含む。

各構成は、処理の結果を他の構成に送信してもよい。あるいは、情報処理装置１００が図示しない記憶部を含む場合、各構成は、処理結果をその記憶部に保存し、必要な情報をその記憶部から読み出してもよい。そのため、以下の説明において、構成間の情報の送信及び受信の説明を省略する。

構造生成部１２０は、言語データに含まれる述語項構造を生成する。例えば、構造生成部１２０は、所定の解析手法（例えば、形態素解析、依存構造解析、又は、述語項構造解析）を用いて言語データにおける構造を解析する。そして、構造生成部１２０は、解析結果を基に、言語データから述語項構造を生成する。

構造生成部１２０における言語データの提供元は、任意である。例えば、構造生成部１２０は、図示しない外部の装置から言語データを取得してもよい。あるいは、構造生成部１２０は、図示しない記憶部から言語データを取得してもよい。あるいは、構造生成部１２０は、図示しない情報処理装置１００に含まれる構成（例えば、図示しない処理部又はデータ取得部）から言語データを取得してもよい。

さらに、構造生成部１２０は、言語データに加え、述語項構造を生成するために用いる情報（以下、「言語解析情報」と呼ぶ）を取得してもよい。言語解析情報とは、言語データにおける、形態素解析の結果、依存構造解析の結果、及び／又は、述語項構造解析の結果等である。この場合、構造生成部１２０は、言語解析情報を用いて、述語項構造を生成する。

共起生成部１３０は、言語データ及び述語項構造を基に、述語項構造における述語と項との共起を示すデータ（第１のデータ）を生成する。

例えば、共起生成部１３０は、共起を示すデータとして、言語データにおける述語項構造の出現頻度を算出してもよい。あるいは、共起生成部１３０は、出現頻度を、所定の手法を用いて正規化してもよい。

以下、このデータの一例としてテンソルを用いて説明する。共起生成部１３０は、述語項構造間における共起の関係を示す値を保持するようにテンソルを生成する。

なお、後ほど説明するように、情報処理装置１００は、他のテンソルを生成する。そのため、共起生成部１３０が生成するテンソルを、以下、「原共起テンソル（ｏｒｉｇｉｎａｌ ｃｏ−ｏｃｃｕｒｒｅｎｃｅ ｔｅｎｓｏｒ）」と呼ぶ。なお、詳細については後ほど説明するが、生成される原共起テンソルの数は、１つでもよく、複数でもよい。

図面を参照して、原共起テンソルについて説明する。

原共起テンソルは、述語項構造に対応するテンソルである。そのため、原共起テンソルは、述語についてのモード（軸）と、予め処理対象として設定されている格の項についてのモードとを有する。

図２は、述語項構造の対の一例を示す図である。図２において、丸括弧が、それぞれの述語項構造である。丸括弧内の最も左の要素が、述語である。その他の項が、格に対応する項である。角括弧は、述語項構造内の要素の種類（述語、又は、格）を示す。矢印の前（図２では上）の述語項構造が、前件である。矢印の後（図２では下）の述語項構造が、後件である。

図２は、“述語項構造（焼く［述語］，魚_を［対象格］，グリル_で［道具格］）、ならば、述語項構造（調理する［述語］，魚_を［対象格］，グリル_で［道具格］）”との述語項構造の対における含意関係を示す。

図３は、図２に示されている述語項構造を含む原共起テンソルの一例を模式的に示す図である。図３に示されている原共起テンソルは、述語と、全ての項を含むテンソルの一例である。具体的には、図３に示されている原共起テンソルは、述語のモード（ｖ）と、道具格の項のモード（ａ_ｉ）と、対象格の項のモード（ａ_ｏ）との三つのモードを含む。

図４は、図２に示されている述語項構造を含む別の原共起テンソルの一例を示す図である。図４に示されている原共起テンソルは、それぞれ、述語と１つの格とを含むテンソルである。この場合、各原共起テンソルに含まれるモードは、２つとなる。そのため、原共起テンソルのデータの形式は、行列となる。図４の左側のテンソルは、述語（ｖ）と対象格の項（ａ_ｏ）とのモードを含むテンソル（行列）である。また、図４の右側のテンソルは、述語（ｖ）と道具格（ａ_ｉ）とのモードを含むテンソル（行列）である。

共起生成部１３０は、図３に示されているような全ての述語項構造を含む原共起テンソルを生成してもよい。

あるいは、共起生成部１３０は、図４に示されているような述語と一部の項とを含む原共起テンソルを生成してもよい。ただし、この場合、共起生成部１３０は、全ての項が含まれるように、複数の原共起テンソルを生成する。

図１を参照した説明に戻る。

潜在生成部１４０は、潜在的共起を含むデータ（第３のデータ）を生成するため、原共起テンソル（第１のデータ）を所定のデータ（第２のデータ）に分解し、分解したデータを基に潜在的共起を含むデータ（第３のデータ）を生成する。

具体的には、潜在生成部１４０は、原共起テンソルを基に潜在的共起を含むテンソルを生成する。より詳細には、潜在生成部１４０は、原共起テンソルを、原共起テンソルより低いランク（階数）のテンソルに分解し、分解したテンソルの積となるテンソルを生成する。生成されたテンソルは、所定の分解手法を用いた場合、原共起テンソルの近似となる。

以下、原共起テンソルを分解したテンソル（原共起テンソルより低ランクのテンソル）を、「因子テンソル（ｆａｃｔｏｒ ｔｅｎｓｏｒ）」と呼ぶ。さらに、因子テンソルの積であるテンソルを復元テンソル（ｒｅｓｔｏｒｅ ｔｅｎｓｏｒ）と呼ぶ。復元テンソルは、原共起テンソルの近似であり、原共起テンソルと同じモードのテンソルである。

なお、因子テンソルは、原共起テンソルよりランクが低い。そのため、因子テンソルに含まれる要素の数は、原共起テンソルに含まれる要素の数より少ない。

原共起テンソル、因子テンソル、及び復元テンソルが、それぞれ、第１のデータ、第２のデータ、及び第３のデータの一例である。

図面を参照して、因子テンソル、及び、復元テンソルについて説明する。

図５は、潜在生成部１４０の説明に用いる原共起テンソルＸの一例を示す図である。図５に示されている原共起テンソルＸは、述語（ｖ）と対象格の項（ａ_ｏ）とを含むテンソルである。図５の原共起テンソルＸは、モードが２つのため、行列となっている。

なお、図５を含め各図において、空欄は、その値が０に等しい、又は、その値の絶対値が十分小さい（例えば、１０^−１０以下）欄である。以下、各図における空欄は、このように、その値が０、又は、その値の絶対値が所定の値より小さい欄を示す。

また、各図における数値は、有効数字を３けたとした。

潜在生成部１４０は、原共起テンソルを、因子テンソルに分解する。そして、潜在生成部１４０は、因子テンソルの積として復元テンソルを生成する。

潜在生成部１４０がテンソルの分解に用いる手法は、対象となるテンソルを基に決定される。より詳細には、その方法は、過去の知見などを参照して、原共起テンソルのランク、許容する近似精度（原共起テンソルと復元テンソルとの差の大きさ）、及び、処理時間等に基づき、適切な方法が決定される。例えば、潜在生成部１４０は、テンソル（行列）分解手法の一種である非負値行列因子分解を用いてもよい。

また、潜在生成部１４０は、因子テンソル及び復元テンソルを、次のような最適化問題の解として求めてもよい。
最適化問題：原共起テンソルと復元テンソルの差（この差は、「距離」とも呼ばれる）を最小化する。
制約：因子テンソルは、非負のテンソル（全ての成分が０以上であるテンソル）である。

上記のような最適化問題の解法の手法として、いろいろな手法が提案されている。そこで、潜在生成部１４０が用いる手法は、具体的な最適化問題に合わせて選択されればよい。

図６は、因子テンソルの一例を示す図である。図６において、述語（ｖ）のモードと対象格の項（ａ_ｏ）のモードとを含む原共起テンソルＸが、因子テンソルＦ及びＧに分解されている。因子テンソルＦは、対象格の項（ａ_ｏ）と行列分解のために導入されたモード（以下、「モードｋ」と呼ぶ）とを含むテンソルである。因子テンソルＧは、述語（ｖ）のモードとモードｋとを含むテンソルである。

なお、因子テンソルＦ及びＧにおけるモードｋは、述語及び項の共起に基づいて表される抽象的な概念に相当する。そこで、モードｋは、「潜在意味」と呼ばれている。

例えば、図６において、潜在意味ｋ１は、述語“飲む”、並びに、項“お茶”、“コーヒー”、及び“コーラ”において、その値が他の成分に比べ相対的に大きい。そのため、モードｋ１の潜在意味としては、上記の述語及び項の集合を基に想起される概念、例えば、“何らかの飲物について飲む行為を実行する”との潜在的な意味が、想定可能である。

そして、因子テンソルＦとＧとの積は、復元テンソルとなる。

図７は、図６の因子テンソルＦ及びＧの積である復元テンソルＸ’を示す図である。

図８は、比較のため、原共起テンソルＸと復元テンソルＸ’と並べて示す図である。

図８を参照すると、原共起テンソルＸにおいて空欄となっている成分（述語項構造）の中で、復元テンソルにおいて値を含む成分がある。例えば、述語項構造（切る［述語］，ニンジン［対象格］）は、原共起テンソルＸにおいて空欄である。一方、述語項構造（切る［述語］，ニンジン［対象格］）は、復元テンソルＸ’において、「１．９０」との値となっている。

本実施形態では、復元テンソルと原共起テンソルとの差を、原共起テンソルにおいて潜在している述語項構造における述語と項との潜在的共起の推定とみなす。

例えば、本実施形態は、言語データで観測されなかった共起の補完（潜在的共起）として、原共起テンソルＸにおいて空欄であり、かつ、復元テンソルＸ’において非負の値となっている述語項構造における述語と項との値を用いてもよい。

あるいは、本実施形態は、言語データで観測されなかった共起の補完として、復元テンソルにおける値が原共起テンソルにおける値より所定の値大きい述語項構造における値の差（距離）を用いてもよい。

上記のように、共起が補完された述語項構造が、潜在的共起となる述語項構造である。

なお、述語項構造が複数の項を含む場合、一部の項において潜在的共起が補完される場合がある。この場合、その項が、述語に対する潜在的共起となる。

図１を参照した説明に戻る。

スコア計算部１５０は、潜在的共起となる述語項構造を用いて、述語項構造の対のスコアを計算する。

例えば、スコア計算部１５０は、スコアを計算する述語項構造の対として、原共起テンソルにおいて空欄であり、復元テンソルにおいて空欄ではなくなった述語項構造を含む述語項構造の対を、スコアを計算する述語項構造の対として選択してもよい。

あるいは、スコア計算部１５０は、スコアを計算する述語項構造の対として、対に含まれる述語項構造のどちらかの一つの述語項構造に含まれる少なくとも一つの項が潜在的共起となっている述語項構造の対を選択してもよい。

あるいは、スコア計算部１５０は、対に含まれる両方の述語項構造のそれぞれの項において、少なくとも一つの項が潜在的共起となっている述語項構造の対を選択してもよい。

例えば、スコア計算部１５０は、図８に示されている原共起テンソルＸが空欄であり、復元テンソルＸ’において値を含む、述語項構造を選択する。具体的には、例えば、スコア計算部１５０は、述語項構造（調理する［述語］，ピーマン_を［対象格］）を選択する。

そして、スコア計算部１５０は、その述語項構造を含む述語項構造の対を選択する。例えば、スコア計算部１５０は、最初に選択した述語項構造と同じ項を含む述語項構造を選択し、述語項構造の対とする。例えば、上記に場合、スコア計算部１５０は、述語項構造（調理する［述語］，ピーマン_を［対象格］）と同じ対象格（ピーマン_を［対象格］）を含む述語項構造（切る［述語］，ピーマン_を［対象格］）を選択して、述語項構造の対とする。この場合の述語項構造の対は、“（切る［述語］，ピーマン_を［対象格］）→（調理する［述語］，ピーマン_を［対象格］）”となる。なお、スコア計算部１５０は、前件と後件とを入れ替えた述語項構造を選択してもよい。

スコア計算部１５０が述語項構造の対を選択する方法は、任意である。例えば、スコア計算部１５０は、同一の項を共有する述語項構造の対の中で、復元テンソルにおける両方の成分の値が所定の閾値以上である対を選択してもよい。ここで、同一の項を共有する述語項構造の対とは、片方の述語項構造が（Ｖ１［述語］，Ａ１［第１の格］，Ａ２［第２の格］，…）であり、他方の述語項が（Ｖ２［述語］，Ａ１［第１の格］，Ａ２［第２の格］，…）である述語項構造の対である。なお、スコア計算部１５０は、全ての項を共有する述語項構造の対だけではなく、一部の項を共有する述語項構造の対を選択してもよい。

そして、スコア計算部１５０は、復元テンソルを基に、述語項構造の対のスコアを計算する。スコア計算部１５０は、スコアの計算において、復元テンソルに加え原共起テンソルを用いてもよい。あるいは、スコア計算部１５０は、復元テンソルに替えて、原共起テンソルを用いてもよい。

対選択部１６０は、スコアが所定の条件を満たす述語項構造の対を選択する。例えば、対選択部１６０は、スコアが閾値以上の述語項構造の対を選択してもよい。あるいは、対選択部１６０は、スコア値の上位から所定数の述語項構造の対を選択してもよい。

さらに、対選択部１６０は、選択した述語項構造の対を所定の出力先に出力してもよい。例えば、対選択部１６０は、図示しない外部の装置に、選択した述語項構造の対を出力してもよい。あるいは、対選択部１６０は、図示しない記憶部に、述語項構造の対を保存してもよい。あるいは、対選択部１６０は、図示しない情報処理装置１００の構成に述語項構造の対を出力してもよい。あるいは、対選択部１６０は、言語データの送信元に、述語項構造の対を送信してもよい。

[動作の説明]
次に、図面を参照して、第１の実施形態に係る情報処理装置１００の動作について説明する。

図９は、第１の実施形態に係る情報処理装置１００の動作の一例を示すフロー図である。

まず、構造生成部１２０は、処理の対象となる言語データ取得する（ステップＳ１０１）。

そして、構造生成部１２０は、言語データにおける述語項構造を生成する（ステップＳ１０２）。

共起生成部１３０は、言語データ及び述語項構造を基に、述語と項との間の共起に対応したデータ（原共起テンソル）を生成する（ステップＳ１０３）。

潜在生成部１４０は、原共起テンソルを基に、潜在的な共起を含むデータ（復元テンソル）を生成する（ステップＳ１０４）。詳細には、潜在生成部１４０は、原共起テンソルを分解して、原共起テンソルよりランクの低いデータ（因子テンソル）を生成する。そして、潜在生成部１４０は、因子テンソルの積であるデータ（復元テンソル）を生成する。

スコア計算部１５０は、述語項構造の対のスコアを計算する。

詳細には、まず、スコア計算部１５０は、スコアを計算する述語項構造を選択する（ステップＳ１０５）。

そして、スコア計算部１５０は、復元テンソルを基に選択された述語項構造を含む述語項構造の対についてのスコアを計算する（ステップＳ１０６）。

スコア計算部１５０は、潜在的共起となる全ての述語項構造に対して上記動作を繰り返す。

対選択部１６０は、スコアが所定の条件を満たす述語項構造の対を選択する（ステップＳ１０７）。

対選択部１６０は、選択した述語項構造の対を所定の出力先に出力する（ステップＳ１０８）。

[効果の説明]
次に、第１の実施形態の効果について説明する。

第１の実施形態に係る情報処理装置１００は、処理の対象となる言語データにおいて潜在的共起の関係となっている述語項構造の対を選択するとの効果を奏する。

その理由は、次のとおりである。

構造生成部１２０が、言語データを基に述語と述語の対象となる項とを含む述語項構造を生成する。そして、共起生成部１３０が、述語項構造における述語と項との共起を示す第１のデータ（原共起テンソル）を生成する。そして、潜在生成部１４０が、第１のデータ（原共起テンソル）を第１のデータ（原共起テンソル）に含まれる要素より少ない要素を含む複数の第２のデータ（因子テンソル）に分解する。そして、潜在生成部１４０が、第２のデータ（因子テンソル）を基に述語と項との潜在的共起を含む第３のデータ（復元テンソル）を生成する。そして、スコア計算部１５０が、第１のデータ（原共起テンソル）及び第３のデータ（復元テンソル）を用いて述語項構造を選択し、選択した述語項構造の対におけるスコアを第３のデータ（復元テンソル）を用いて計算する。そして、対選択部１６０がスコアを基に述語項構造の対を選択する。

より詳細には、構造生成部１２０が、言語データに共起の対象となる構成（述語及び項）の構造を示す述語項構造を生成する。

そして、共起生成部１３０が、生成された述語項構造における共起に関する情報を含む原共起テンソル生成する。

そして、潜在生成部１４０が、原共起テンソルを低ランクの因子テンソルに分解し、因子テンソルの積である復元テンソルを生成する。本実施形態において、復元テンソルと原共起テンソルとの差は、述語項構造における述語と項との潜在的な共起に対応する。

そして、スコア計算部１５０が、潜在的な共起に対応する述語項構造を含む述語項構造の対に対するスコアを計算する。このスコアは、潜在的な共起における含意関係の程度を示す。つまり、このスコアが高い述語項構造の対は、言語データにおいて潜在しているが、共起の可能性が高い。

そして、対選択部１６０が、スコアを基に、述語項構造の対を選択する。

このように、第１の実施形態に係る情報処理装置１００は、言語データにおいて明示的には含まれていない潜在的な共起となる述語項構造を含む述語項構造の対を選択して、そのスコアを計算できる。このスコアは、潜在的な共起関係にある述語項構造の対において、高い値となる。そのため、第１の実施形態に係る情報処理装置１００は、言語データに含まれる潜在的な共起関係にある述語項構造の対を選択することができる。

ここで選択された述語項構造の対は、例えば、含意関係知識の候補となる。

＜第２の実施形態＞
次に、第２の実施形態として、全ての項を含む原共起テンソルを用いる場合について説明する。なお、項が一つの場合、第２の実施形態の動作は、第１の実施形態及び次に説明する第３の実施形態と、同じになる。そのため、本実施形態の説明では、項は、複数とする。ただし、これは、第２の実施形態において項が一つの場合を除外するものではない。

[構成の説明]
図面を参照して、第２の実施形態に係る情報処理装置１０１の構成について説明する。

図１０は、第２の実施形態に係る情報処理装置１０１の構成の一例を示すブロック図である。情報処理装置１０１は、第１の実施形態に係る情報処理装置１００と比べると、共起生成部１３０、潜在生成部１４０、及び、スコア計算部１５０に替えて、共起生成部１３１、潜在生成部１４１、及び、スコア計算部１５１を含む点で異なる。

共起生成部１３１、潜在生成部１４１、及び、スコア計算部１５１は、対象となる原共起テンソルが、全ての項を含むテンソルである点を除き、共起生成部１３０、潜在生成部１４０、及び、スコア計算部１５０と同様に動作する。また、その他の構成は、第１の実施形態と同様である。

そこで、第２の実施形態に特有の構成を中心に説明し、第１の実施形態の同様の構成及び動作の説明を省略する。

共起生成部１３１は、構造生成部１２０が生成した述語項構造及び言語データを基に、原共起テンソルとして、述語及び対象となる全ての格の項のモードを含む一つの共起テンソルを生成する。例えば、対象となる格の項が、項ａ及びｂの場合、共起生成部１３１は、述語（ｖ）、第１の格の項（ａ）、及び、第２の格の項（ｂ）の３つのモードを含む３階の原共起テンソルを生成する。

潜在生成部１４１は、原共起テンソルを原共起テンソルより低いランクの因子テンソルに分解し、因子テンソルの積である復元テンソルを生成する。

図１１は、３階のテンソルの場合におけるテンソルの分解と積との一例を示す図である。図１１は、テンソル分解の一例であるＴｕｃｋｅｒ分解を模式的に示している図である。図１１において、英小文字は、各モード（軸）を示す。

潜在生成部１４１は、Ｔｕｃｋｅｒ分解を用いて、述語ｖ、項ａ、及び項ｂのモードを有する３階の原共起テンソルＸを、コアテンソルＣ、及び、コアテンソルＣの各モードに対応する因子テンソルＦ、Ｇ、及びＨに分解する。コアテンソルＣは、予め、モード及びモードのサイズが設定されているテンソルである。

さらに、潜在生成部１４１は、分解されたコアテンソルＣ、及び、因子テンソルＦ、Ｇ、及びＨの間の積の結果として、復元テンソルＸ’を算出する。なお、テンソルと行列との積を、特に「モード積」と呼ぶ場合もある。図１１において、因子テンソルＦ、Ｇ、及びＨは行列となっている。そのため、図１１におけるテンソルの積は、モード積でもある。ただし、以下の説明は、モード積を特に区別せず、全ての積として説明する。

この関係は、式を用いて表すと、次の数式１のようになる。

［数式１］
Ｘ^ＡＢＶ ≒ Ｃ^ＲＳＴ × Ｆ^ＡＲ × Ｇ^ＢＳ × Ｈ^ＶＴ ＝ Ｘ’^ＡＢＶ
数式１において、英大文字Ｖ、Ａ、及びＢは、それぞれ、原共起テンソルにおける英小文字で示されているモード、ｖ、ａ、及びｂの大きさ（サイズ又は次元数）である。

サイズ（次元数）は、対応する述語又は項における種類の数（例えば、述語の数）である。図５を参照して説明すると、モードｖのサイズＶは、４である。

英文字Ｒ、Ｓ、及びＴは、コアテンソルＣにおける英小文字で示されているモードｒ、ｓ、及びｔのサイズ（次元数）である。コアテンソルＣのサイズは、予め設定されている。つまり、Ｒ、Ｓ及びＴは、予め、モードｒ、ｓ、及びｔに対して設定されたサイズである。

“×”は、テンソルにおける積を示す。

コアテンソルＣは、潜在意味に相当する。つまり、モードｒ、ｓ、及びｔは、潜在意味のモードに相当する。

数式１に示されているとおり、復元テンソルＸ’のサイズは、原共起テンソルＸのサイズと同じである。

スコア計算部１５１は、原共起テンソルと復元テンソルとを基に（具体的には、原共起テンソルと復元テンソルとの差を基に）スコアを計算する述語項構造の対を選択する。

そして、スコア計算部１５１は、述語項構造の対のスコアを計算する。

詳細には、スコア計算部１５１は、次のようにスコアを計算する。

まず、スコア計算部１５１は、復元テンソルにおける述語及び項の共起の値を基に、述語及び項についての出現確率を計算する。

出現確率とは、述語及び項に関する事後確率である。例えば、項の出現確率とは、ある述語が出現した場合におけるその項が出現する事後確率である。また、述語の出現確率とは、ある項が出現した場合における、その述語が出現する事後確率である。

スコア計算部１５１は、出現確率に基づいて、述語項構造の対のスコアを計算する。例えば、後ほど説明する詳細例１において、第２の実施形態におけるスコアは、前件の述語項構造が成立した場合における後件の述語項構造が成立する程度をモデル化した尺度となる。このスコアは、前件の述語項構造が後件の述語項構造を含意する程度を示す。

[効果の説明]
次に、第２の実施形態の効果について説明する。

第２の実施形態に係る情報処理装置１０１は、第１の実施形態と同様の効果を実現できる。その理由は、情報処理装置１０１の各構成が、情報処理装置１００の構成と同様に動作するためである。

さらに、第２の実施形態に係る情報処理装置１０１は、述語と全ての項を含む原共起テンソルを用いて動作する。つまり、情報処理装置１０１は、述語及び考慮の対象となる全ての項について、同時かつ直接的に共起した情報を用いる。そのため、情報処理装置１０１は、個別に項を処理する場合に比べ、二つ以上の項を有する述語項構造の対についての含意関係を処理する場合において、関連性を有する述語項構造の対をより正確に処理できる。

[詳細例１]
次に、詳細例１として、情報処理装置１０１の具体的な動作例を説明する。詳細例１における説明では、情報処理装置１０１は、述語、道具格の項、及び、目標格の項を有する述語項構造を対象として動作する。ただし、これは、情報処理装置１０１における格を制限するものではない。情報処理装置１０１は、他の格の項を対象としてもよく、一つ又は三つ以上の格の項を有する述語項構造を対象としてもよい。

まず、構造生成部１２０は、言語データに出現する述語項構造を生成する。

例えば、構造生成部１２０は、次に示されている言語データとして、テキストＴ１と、テキストＴ１についての言語解析情報Ａ１とを受信したとする。
Ｔ１＝子供が自転車で学校に通っている。
Ａ１＝（述語＝通う，動作主格＝子供，目標格＝学校，道具格＝自転車）
言語解析情報Ａ１は、テキストＴ１の述語項構造の解析の結果である。具体的には、言語解析情報Ａ１は、テキストＴ１の中に、述語“通う”、動作主格の項“子供”、目標格の項“学校”、道具格の項“自転車”からなる述語項構造が存在することを示す。例えば、テキストＴ１の述語項構造は、“（通う［述語］，子供_が［動作主格］，学校_に［目標格］，自転車_で［道具格］）”である。

ただし、動作例１において、情報処理装置１０１は、動作主格及び目標格の項を対象とする。そのため、構造生成部１２０は、テキストＴ１及び言語解析情報Ａ１を基に、述語項構造“（通う［述語］，子供_が［動作主格］，学校_に［目標格］）”を生成する。

次に、共起生成部１３１は、言語データ及び述語項構造を基に原共起テンソルを生成する。以下の説明おいて、このテンソルは、図１１に示されている原共起テンソルＸとする。具体的には、原共起テンソルＸは、述語のモードｖ、動作主格の項のモードａ、及び目標格の項のモードｂを有する３階のテンソルとする。また、以下の説明では、適宜、数式１及びその変数を用いる。

共起生成部１３１は、述語のモードｖ、動作主格の項のモードａ、及び目標格の項のモードｂを有する３階の原共起テンソルＸ（数式１では、Ｘ^ＡＢＶ）を生成する。

共起生成部１３１は、言語データにおいて、構造生成部１２０が生成した述語項構造の頻度をカウントし、頻度を原共起テンソルＸの成分に設定する。

例えば、言語データが、７つの述語項構造“（通う［述語］，子供_が［動作主格］，学校_に［目標格］）”を含む場合、共起生成部１３１は、原共起テンソルＸにおける上記述語項構造に対応する成分の値を、「７」と設定する。

なお、構造生成部１２０及び共起生成部１３１は、順番に動作してもよく、少なくとも一部において並行に動作してもよい。例えば、構造生成部１２０が言語データから述語項構造が生成するたびに、共起生成部１３１が原共起テンソルＸにおける対応する成分の値を修正してもよい。

続いて、潜在生成部１４１は、原共起テンソルＸにテンソル分解を適用して、因子テンソルを生成し、さらに復元テンソルを生成する。以下の説明では、潜在生成部１４１は、テンソル分解の一例として、Ｔｕｃｋｅｒ分解を用いる。ただし、潜在生成部１４１は、他のテンソル分解手法を用いてもよい。

Ｔｕｃｋｅｒ分解を用いる場合、因子テンソルの次元数Ｒ、Ｓ、及びＴは、予め設定された値である。潜在生成部１４１は、原共起テンソルＸ、並びに、因子テンソルの次元数Ｒ、Ｓ、及びＴを用いて、コアテンソルＣ、並びに、因子テンソルＦ、Ｇ、及びＨを生成する。そして、潜在生成部１４１は、数式１に示されているように、コアテンソルＣ、並びに、因子テンソルＦ、Ｇ、及びＨの積である、復元テンソルＸ’（Ｘ’^ＡＢＶ）を生成する。

なお、復元テンソルＸ’を求める問題は、最適化問題に定式化できる。そこで、潜在生成部１４１における上記処理は、次の数式２に示されるような、原共起テンソルＸと復元テンソルＸ’との距離Ｄ（Ｘ，Ｘ’）を最小化する因子テンソルＣ、Ｆ、Ｇ及びＨを求める最適化問題に定式化できる。

［数式２］

数式２において、「ａｒｇｍｉｎ」は、関数Ｄ（Ｘ，Ｘ’）を最小とするコアテンソルＣ、並びに、因子テンソルＦ、Ｇ及びＧを求めることである。関数Ｄ（Ｘ，Ｘ’）は、原共起テンソルＸと、復元テンソルＸ’の距離（誤差）を出力する関数である。

距離は、任意である。例えば、潜在生成部１４１は、距離として、原共起テンソルＸと復元テンソルＸ’との対応する要素間のユークリッド距離（ｄ_ＥＵ）に基づく距離（Ｄ_ＥＵ）を用いてもよい。

あるいは、潜在生成部１４１は、距離として、一般化したカルバック・ライブラーダイバージェンス（Ｋｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ ｄｉｖｅｒｇｅｎｃｅ）を利用した距離を用いてもよい。この場合の距離（Ｄ_ＥＵ（Ｘ−Ｘ’））は、次の数式３となる。

［数式３］

数式３において、ｘ_{ｖ，ａ，ｂ}は、原共起テンソルＸにおける［ｖ，ａ，ｂ］成分である。ｘ’_{ｖ，ａ，ｂ}は、復元テンソルＸ’における［ｖ，ａ，ｂ］成分である。以下、テンソル及び行列の成分を示す場合にも角括弧（［］）を用いる。ｄ_ＥＵ（ｘ_{ｖ，ａ，ｂ}、ｘ’_{ｖ，ａ，ｂ}）は、要素間の距離を示し、具体的には左辺の｛（ｘ_{ｖ，ａ，ｂ}−ｘ’ _{ｖ，ａ，ｂ}）^２｝／２である。

次に、スコア計算部１５１は、以下に示す手順に沿って述語項構造の対のスコアを計算する。

スコア計算部１５１は、所定の条件を基に、スコアを計算する述語項構造の対を選択する。

例えば、スコア計算部１５１は、述語項構造の対における２つの成分（例えば、Ｘ’［ｖ１，ａ，ｂ］及びＸ’［ｖ２，ａ，ｂ］）の値が共に非負である述語項構造の対を選択してもよい。

あるいは、スコア計算部１５１は、共起頻度に閾値を設定し、述語項構造の対における２つの成分の頻度が共に閾値以上の場合にスコアを計算してもよい。

あるいは、スコア計算部１５１は、共起テンソルＸにおける成分の値が０であるが、復元テンソルＸ’における成分の値が非負である述語項構造の対を用いてもよい。この場合、スコア計算部１５１は、潜在的な共起が推定された述語項構造の対のスコアを計算することができる。

なお、スコア計算部１５１は、類似する項をまとめた項の集合（項のクラスタ）を有する述語項構造を生成し、生成した述語項構造の対におけるスコアを計算してもよい。この場合の述語項構造は、例えば、（行く［述語］、｛子供_が，生徒_が，児童_が，…｝［動作主格］）、又は、（行く［述語］，｛学校_に，小学校_に，…｝［目標格］）である。

以下の説明では、対象となる述語項構造の対として、述語項構造の対“（ｅ１，ｅ２）＝（（ｖ１，ａ，ｂ），（ｖ２，ａ，ｂ））”を用いて説明する。ｅ１及びｅ２は、述語項構造を示す。例えば、述語項構造ｅ１は、述語項構造（ｖ１，ａ，ｂ）である。

また、スコア計算部１５１は、スコアとして、次に示す数式４に示されるスコア（ｓｃｏｒｅ_ＳＬＳＡ）を用いる。

［数式４］
ｓｃｏｒｅ_ＳＬＳＡ（ｖ１，ｖ２；ａ，ｂ）＝ｐ（ｖ２｜ａ，ｂ）×ｐ（ａ，ｂ｜ｖ１）
ここで、ｐ（ｖ｜ａ，ｂ）は、項ａ及びｂが出現した下での述語ｖが出現する事後確率である。また、ｐ（ａ，ｂ｜ｖ）は、述語ｖが出現した下での項ａ及びｂが出現する事後確率である。スコアｓｃｏｒｅ_ＳＬＳＡは、述語項構造ｅ１及びｅ２における述語の対（ｖ１、ｖ２）が、項ａ及びｂを共有する場合において、述語項構造ｅ１の述語（ｖ１）が成立した下で、述語項構造ｅ２の述語（ｖ２）が成立する程度をモデル化したスコアである。スコアｓｃｏｒｅ_ＳＬＳＡは、述語項構造ｅ１が述語項構造ｅ２を含意する程度を示す。

以下、述語項構造の対のスコアを計算する手順の詳細を説明する。

まず、スコア計算部１５１は、潜在生成部１４１が生成した復元テンソルＸ’における述語及び項についての出現確率を計算する。

具体的には、スコア計算部１５１は、出現確率として、述語の事後確率（数式５）、及び、項の事後確率（数式６）を計算する。
［数式５］

［数式６］

そして、スコア計算部１５１は、算出した事後確率を用いて上記のスコアｓｃｏｒｅ_ＳＬＳＡを計算する。

ただし、スコア計算部１５１におけるスコアは、上記に限られない。例えば、スコア計算部１５１は、次の数式７のように、述語の対の値として、スコアを求めてもよい。

［数式７］

対選択部１６０は、スコアに基づいて、所定の条件を満たす述語項構造の対を選択する。

＜第３の実施形態＞
次に、第３の実施形態として、原共起テンソルが、複数のテンソルとなる場合について、説明する。つまり、少なくとも、一部の項が、それぞれ異なるテンソルに含まれる場合を説明する。

[構成の説明]
図面を参照して、第３の実施形態に係る情報処理装置１０２の構成について説明する。

図１２は、第３の実施形態に係る情報処理装置１０２の構成の一例を示すブロック図である。情報処理装置１０２は、第１の実施形態に係る情報処理装置１００と比べると、共起生成部１３０、潜在生成部１４０、及び、スコア計算部１５０に替えて、共起生成部１３２、潜在生成部１４２、及び、スコア計算部１５２を含む点で異なる。

共起生成部１３２、潜在生成部１４２、及び、スコア計算部１５２は、対象となる原共起テンソルが、複数のテンソルとなる点を除き、共起生成部１３０、潜在生成部１４０、及び、スコア計算部１５０と同様に動作する。また、その他の構成は、第１の実施形態と同様である。

そこで、第３の実施形態に特有の構成を中心に説明し、第１の実施形態の同様の構成及び動作の説明を省略する。

共起生成部１３２は、構造生成部１２０が生成した述語項構造及び言語データを基に、原共起テンソルとして、述語と一つの項とを含む原共起テンソルを生成する。つまり、共起生成部１３２は、対象となる格の数の原共起テンソルを生成する。

各原共起テンソルは、述語のモードと、いずれか一つの格の項のモードとを含む。つまり、各原共起テンソルは、２階テンソル（行列）となる。そこで、以下の第３の実施形態では、説明を明確にするため、テンソルに替えて行列を用いて説明する。例えば、原共起テンソルは、原共起行列と呼ぶ。

図１３は、対象となる格が２つの場合における行列の分解と積との一例を示す図である。図１３におけるモードｋは、潜在意味である。

格が２つの場合、共起生成部１３２は、述語（ｖ）と第１の項（ａ）とのモードに対応する第１の原共起行列（Ｘ）と、述語（ｖ）と第２の項（ｂ）とのモードに対応する第２の原共起行列（Ｙ）とを生成する。

潜在生成部１４２は、生成された複数の原共起行列を分解する。そのため、潜在生成部１４２は、複合行列分解を実行する。複合行列分解とは、一部の因子行列を共有するという制約の下で、複数の行列をそれぞれ因子行列に分解する行列分解の手法である。潜在生成部１４２は、述語のモードを有する因子行列を共有するとの制約の下、原共起行列を、因子行列に分解する。以下、共有される因子行列は、共有因子行列と呼ぶ。また、共有因子行列を共有する行列は、「共有因子行列を持つ行列」とも呼ばれる。

図１３は、共有因子行列に、斜線を付している。つまり、因子行列Ｇが、共有因子行列である。

そして、潜在生成部１４２は、原共起行列に対応した復元行列を生成する。

図１３に示されている原共起行列の処理は、次に示されている数式８のように示される。

［数式８］
Ｘ^ＡＶ ≒Ｆ^ＡＫ × Ｇ^ＫＶ ＝ Ｘ’^ＡＶ
Ｙ^ＢＶ ≒Ｈ^ＢＫ × Ｇ^ＫＶ ＝ Ｙ’^ＢＶ
数式８において、上付き文字は、数式１と同じである。原共起行列Ｘは、因子行列Ｆ及びＧに分解される。原共起行列Ｙは、因子行列Ｈ及びＧに分解される。原共起行列Ｘ及びＹは、共有因子行列Ｇを持つ行列である。そして、行列Ｆ及びＧの積の結果が、原共起行列Ｘの近似である復元行列Ｘ’となる。行列Ｈ及びＧの積の結果が、原共起行列Ｙの近似である復元行列Ｙ’となる。

項の数が三つ以上の場合も、潜在生成部１４２は、同様に所定の因子行列を共有するとの制約の下で、複合行列分解を実行すればよい。

スコア計算部１５２は、原共起行列、因子行列、及び復元行列を基に、述語項構造の対のスコアを計算する。

より詳細には、スコア計算部１５２は、次のように動作する。

スコア計算部１５２は、原共起行列と復元行列との差を基に、スコアを計算する述語項構造の対を選択する。そして、スコア計算部１５２は、復元行列に含まれる述語項構造における共起頻度を基に、述語及び項についての出現確率を計算する。出現確率は、第２の実施形態の同様である。

さらに、スコア計算部１５２は、因子行列を基に、異なる格の項の間の関連度を計算する。関連度は、任意である。

図面を参照して、関連度の一例を説明する。

図１４は、図１３に対応する関連度に用いるベクトルの一例を示す図である。
スコア計算部１５２は、第１の格の項（ａ）における所定の項（ａ_ｍ）と、第２の格の項（ｂ）における所定の項（ｂ_ｎ）との関連度を、次のように算出する。

因子行列Ｆにおける項（ａ）に一つである項（ａ_ｍ）についての行ベクトルは、項（ａ_ｍ）の意味（潜在意味（ｋ））に対応するベクトルである。以下、潜在意味（ｋ）に対応するベクトルを、「意味ベクトル」と呼ぶ。

同様に、因子行列Ｈにおける項（ｂ）の一つである項（ｂ_ｎ）についての行ベクトルは、項（ｂ_ｎ）の意味ベクトルである。

全ての原共起行列が、共有因子行列と、その因子行列を持つ因子行列とに分解される。そのため、全ての因子行列の項の意味ベクトルの要素数は、同じ数（モードｋのランクＫ）となる。つまり、項（ａ_ｍ）意味ベクトルと項（ｂ_ｎ）の意味ベクトルとの項の数は、同じである。

そして、スコア計算部１５２は、関連度して、項（ａ_ｍ）の意味ベクトルと、項（ｂ_ｎ）の意味ベクトルとの内積を用いる。

三つ以上の項の関連度の場合も、スコア計算部１５２は、三つ以上の項の意味ベクトルの内積を計算すればよい。

そして、スコア計算部１５２は、出現確率及び関連度に基づき、述語項構造の対のスコアを計算する。例えば、スコア計算部１５２は、出現確率と内積との積をスコアとする。

[効果の説明]
次に、第３の実施形態の効果について説明する。

第３の実施形態に係る情報処理装置１０２は、第１の実施形態と同様の効果を実現できる。その理由は、情報処理装置１０２の各構成が、情報処理装置１００の構成と同様に動作するためである。

さらに、第３の実施形態に係る情報処理装置１０２は、次のような効果を実現できる。

情報処理装置１０２は、二つ以上の項に関連する含意関係を処理する場合でも、述語と複数の項との共起がまれになる問題を緩和する。つまり、情報処理装置１０２は、述語と複数の項との間の関連の強さをより適切に判定できる。

その理由は、次のとおりである。

共起生成部１３２が、それぞれの格の項に対応した原共起行列を生成する。

さらに、潜在生成部１４２は、複合行列分解において、因子行列における潜在意味のモードが共有となる制約（同じ共有因子行列を用いる制約）を用いている。そのため、全ての格の項の意味ベクトルの要素数が、同じ数となる。そのため、スコア計算部１５２は、意味ベクトルの内積など、異なる格の項の関連度を計算できる。

また、情報処理装置１０２は、述語と少なくとも一部の項についての共起に関する共有した情報（共有因子行列）を考慮して、述語項構造の対を生成している。そのため、情報処理装置１０２は、二つ以上の項に関連する含意関係を処理する場合に対応することができる。

[詳細例２]
次に、詳細例２として、情報処理装置１０２の具体的な動作例を説明する。詳細例２では、情報処理装置１０２は、述語、動作主格の項、及び目標格の項を有する述語項構造を対象として動作する。

構造生成部１２０の動作は、実施例１と同様のため、詳細な説明を省略する。

共起生成部１３２は、２つの原共起行列を生成する（図１３を参照）。第１の原共起行列Ｘは、述語のモード（ｖ）と動作主格の項のモード（ａ）を有する（Ｘ^ＡＶ）。第２の原共起行列Ｙは、述語のモード（ｖ）と目標格の項のモード（ｂ）を有する（Ｙ^ＢＶ）。

共起生成部１３２は、言語データにおける述語項構造の頻度をカウントし、原共起行列Ｘ及びＹにおける対応する成分にカウント値を代入する。

例えば、言語データが、６つの述語項構造（通う［述語］，子供_が［動作主格］，学校_に［目標格］）を含む場合、共起生成部１３２は、次のように原共起行列Ｘ及びＹにおける対応する成分に６を設定する。
（１）共起生成部１３２は、原共起行列Ｘの成分［通う［述語］，子供_が［動作主格］］に６を設定する。
（２）共起生成部１３２は、原共起行列Ｙの成分［通う［述語］，学校_に［目標格］］に６を設定する。

あるいは、言語データが、３つの述語項構造（通う［述語］，子供_が［動作主格］）を含む場合、共起生成部１３２は、次のように原共起行列Ｘにおける対応する成分に３を設定する。
（１）共起生成部１３２は、原共起行列Ｘの成分［通う［述語］，子供_が［動作主格］］に３を設定する。

詳細例１と同様に、構造生成部１２０及び共起生成部１３２は、順番に動作してもよく、並行に動作してもよい。

続いて、潜在生成部１４２は、復号行列分解を用いて、原共起行列Ｘ及びＹから、因子行列ＦないしＧ、及び、復元行列Ｘ’及びＹ’を生成する。

詳細例２では、潜在生成部１４２は、原共起行列Ｘ及びＹを、それぞれ二つの非負の因子行列に分解する。つまり、潜在生成部１４２は、非負の因子行列Ｆ、Ｇ、及びＨを生成する。ただし、因子行列で共有される潜在意味のモードｋの次元数Ｋは、予め、潜在生成部１４２に設定されている。

そして、潜在生成部１４２は、原共起行列Ｘに対応する復元行列Ｘ’、及び、原共起行列Ｙに対応する復元行列Ｙ’を生成する。

復元行列Ｘ’及びＹ’は、それぞれ、次の数式９及び数式１０に示されているように、因子行列Ｆ、Ｇ、及びＨの積である。
［数式９］
Ｘ’^ＡＶ＝Ｆ^ＡＫ×Ｇ^ＫＶ
［数式１０］
Ｙ’^ＢＶ＝Ｈ^ＢＫ×Ｇ^ＫＶ
潜在生成部１４２における上記処理は、次の数式１１に示されるような、原共起行列（Ｘ及びＹ）と、復元行列（Ｘ’及びＹ’）との距離Ｄの和を最小化することで、因子テンソルＦ、Ｇ及びＨを求める最適化問題に定式化できる。

［数式１１］

数式１１において、「ａｒｇｍｉｎ」は、関数の和「Ｄ（Ｘ，Ｘ’）＋Ｄ（Ｙ，Ｙ’）」を最小とする因子テンソルＦ、Ｇ及びＨを求めることである。

詳細例２における距離は、詳細例１と同様である。

次に、スコア計算部１５２は、以下に示す手順に沿って、述語項構造の対のスコアを計算する。

以下の説明では、述語項構造の対として、述語項構造の対“（ｅ１，ｅ２）＝（（ｖ１，ａ，ｂ），（ｖ２，ａ，ｂ））”を用いて説明する。

スコア計算部１５２は、スコアとして、数式１２に示されているｓｃｏｒｅ_ＣＬＳＡを用いる。

［数式１２］
ｓｃｏｒｅ_ＣＬＳＡ（ｖ１，ｖ２；ａ，ｂ）＝ｒ（ａ，ｂ）×ｓｃｏｒｅ_ｐａｒｔ（ｖ１，ｖ２；ａ）×ｓｃｏｒｅ_ｐａｒｔ（ｖ１，ｖ２；ｂ）
ｒ（ａ，ｂ）は、項ａ及びｂの関連度（項間関連度）である。ｓｃｏｒｅ_ｐａｒｔ（ｖ１，ｖ２；ｎ）は、次の示されている数式１３である（ここで、項ｎは、項ａ又はｂ）。

［数式１３］
ｓｃｏｒｅ_ｐａｒｔ（ｖ１，ｖ２；ｎ）＝ｐ（ｖ２｜ｎ）×ｐ（ｎ｜ｖ１）
確率ｐ（ｖ｜ｎ）は、項ｎが出現した下での述語ｖが出現する事後確率である。確率ｐ（ｎ｜ｖ）は、述語ｖが出現した下で項ｎが出現する事後確率である。ｓｃｏｒｅ_ｐａｒｔ（ｖ１，ｖ２；ｎ）は、一つの項ｎを共有する述語の対（ｖ１及びｖ２）に関してｖ１からｖ２への含意関係が成立する程度を表す尺度となる。ｓｃｏｒｅ_ｐａｒｔ（ｖ１，ｖ２；ｎ）は、述語項構造の対における部分（項）ごとに個別に計算されたスコア（部分構造間の関連度）である。

スコア計算部１５２は、述語項構造の対における部分構造間のスコア（ｓｃｏｒｅ_ｐａｒｔ）と、項間関連度（ｒ（ａ，ｂ））とに基づいて、述語項構造の対のスコアｓｃｏｒｅ_ＣＬＳＡを計算する。

なお、述語項構造の対のスコアの計算方法は、述語項構造の対における項間関連度に関するスコアと、項に対応した部分構造間のスコアとを用いる方法であれば、上記に限られず、他の方法でもよい。例えば、スコア計算部１５２は、次に示す数式１４のような、述語項構造の対の部分構造のスコアの最小値と項間関連度とを掛け合わせたスコア（ｓｃｏｒｅ_ＣＬＳＡ（ｖ１，ｖ２；ａ，ｂ））を用いてもよい。

［数式１４］
ｓｃｏｒｅ_ＣＬＳＡ（ｖ１，ｖ２；ａ，ｂ）＝ｒ（ａ，ｂ）×ｍｉｎ_{ｎ∈｛ａ，ｂ｝}｛ｓｃｏｒｅ_ｐａｒｔ（ｖ１，ｖ２；ｎ）｝
項間関連度の一例を説明する。スコア計算部１５２は、まず、潜在生成部１４２が生成した復元行列Ｘ’及びＹ’における述語及び項についての出現確率を計算する。具体的には、スコア計算部１５２は、次の［数式１５］及び［数式１６］を用いて、事後確率ｐ（ｖ｜ｎ）及びｐ（ｎ｜ｖ）（項ｎは、項ａ又はｂ）を計算する。

［数式１５］

［数式１６］

数式１５及び１６において、Ｚ’は次のとおりである。項ｎが項ａの場合、行列Ｚ’は、復元行列Ｘ’である。項ｎが項ｂの場合、行列Ｚ’は復元行列Ｙ’である。

そして、スコア計算部１５２は、因子行列Ｆ及びＨを基に、項間関連度を計算する。詳細例２では、スコア計算部１５２は、異なる格の項ａ_ｍ及びｂ_ｎの間の関連度として、次に数式１７として示す項ａ_ｍの意味ベクトルと項ｂ_ｎの意味ベクトルとの内積を用いる。この内積は、因子行列Ｆの項ａ_ｍについての行ベクトル（項ａ_ｍの意味ベクトル）と、因子行列Ｈの項ｂ_ｎについての行ベクトル（項ｂ_ｎの意味ベクトル）の内積となる。

［数式１７］

Ｆ［ｍ，ｋ］は、因子行列Ｆのｍ行ｋ列の要素である。Ｈ［ｎ，ｋ］は、因子行列Ｈのｎ行ｋ列の要素である。

スコア計算部１５２は、上記の項間関連度と、数式１３に示される部分構造間の関連度とを基に、述語項構造の対のスコアを計算する。

なお、スコア計算部１５２は、所定の条件を基に、スコアを計算する述語項構造の対を選択する。

例えば、スコア計算部１５２は、述語項構造の対に含まれる述語項構造の成分の値がすべて非負である述語項構造の対を選択してもよい。

あるいは、スコア計算部１５２は、述語項構造の対に含まれる全ての成分（詳細例２では４個）の共起頻度が閾値以上となる述語項構造の対を選択してもよい。

スコア計算部１５２の動作を、より具体的な例を用いて説明する。

例えば、言語データが、述語項構造（入学する［述語］，子供_が［動作主格］，学校_に［目標格］）を含まなかったとする。

ただし、言語データは、述語項構造（入学する［述語］，子供_が［動作主格］）、及び述語項構造（入学する［述語］，学校_に［目標格］）を含むとする。

さらに、言語データは、述語項構造（行く［述語］，子供_が［動作主格］，学校_に［目標格］）、述語項構造（行く［述語］，子供_が［動作主格］）、及び述語項構造（行く［述語］，学校_に［目標格］）を含むとする。

この場合、項間関連度（ｒ（子供_が［動作主格］，学校_に［目標格］））は、ある程度高い値となる。また、部分構造間の関連度（ｓｃｏｒｅ_ｐａｒｔ（入学する［述語］、行く［述語］；子供_が［動作主格］）及びｓｃｏｒｅ_ｐａｒｔ（入学する［述語］、行く［述語］；学校_に［目標格］））も、ある程度高い値となる。

その結果、スコア計算部１５２は、ｓｃｏｒｅ_ＣＬＳＡ（入学する［述語］，行く［述語］；子供_が［動作主格］，学校_に［目標格］）として、高いスコアを算出する。

そのため、対選択部１６０は、例えば、述語項構造の対“（入学する［述語］，子供_が［動作主格］，学校_に［目標格］）→（行く［述語］，子供_が［動作主格］，学校_に［目標格］）”を選択できる。

このように、スコア計算部１５２は、言語データにおいて共起を観測されない述語項構造を含む対（潜在的共起となる述語項構造の対）において、項間関連度及び部分構造の関連度を基に、高いスコアを算出できる。

詳細例１と同様に、スコア計算部１５２は、類似する項をまとめた述語項構造（項をクラスタ化し述語項構造）の対を生成し、述語項構造の対としてその述語項構造の対を用いてもよい。

あるいは、スコア計算部１５２は、詳細例１と同様に、スコアとして、述語の対のスコアを計算してもよい。

そして、対選択部１６０は、スコアに基づいて、述語項構造の対のうち所定の条件を満たす述語項構造の対を選択する。

＜ハードウェア構成＞
以上の説明した情報処理装置１００ないし１０２のハードウェア構成について、情報処理装置１００を用いて説明する。

情報処理装置１００は、次のように構成される。

例えば、情報処理装置１００の各構成部は、ハードウェア回路で構成されてもよい。また、情報処理装置１００において、各構成部は、ネットワークを介して接続した複数の装置を用いて、構成されてもよい。あるいは、情報処理装置１００において、複数の構成部は、１つのハードウェアで構成されてもよい。あるいは、情報処理装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）とを含むコンピュータ装置として実現されてもよい。情報処理装置１００は、上記構成に加え、さらに、入出力接続回路（ＩＯＣ：Ｉｎｐｕｔ ａｎｄ Ｏｕｔｐｕｔ Ｃｉｒｃｕｉｔ）を含むコンピュータ装置として実現されてもよい。情報処理装置１００は、上記構成に加え、さらに、ネットワークインターフェース回路（ＮＩＣ：Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃｉｒｃｕｉｔ）を含むコンピュータ装置として実現されてもよい。

図１５は、情報処理装置１００ないし１０２のハードウェアの構成の一例である情報処理装置６００の構成を示すブロック図である。

情報処理装置６００は、ＣＰＵ６１０と、ＲＯＭ６２０と、ＲＡＭ６３０と、内部記憶装置６４０と、ＩＯＣ６５０と、ＮＩＣ６８０とを含み、コンピュータ装置を構成している。

ＣＰＵ６１０は、ＲＯＭ６２０からプログラムを読み込む。そして、ＣＰＵ６１０は、読み込んだプログラムに基づいて、ＲＡＭ６３０と、内部記憶装置６４０と、ＩＯＣ６５０と、ＮＩＣ６８０とを制御する。そして、ＣＰＵ６１０を含むコンピュータは、これらの構成を制御し、図１に示されている、構造生成部１２０、共起生成部１３０、潜在生成部１４０、スコア計算部１５０、及び対選択部１６０としての各機能を実現する。あるいは、ＣＰＵ６１０を含むコンピュータは、これらの構成を制御し、図１０に示されている、構造生成部１２０、共起生成部１３１、潜在生成部１４１、スコア計算部１５１、及び対選択部１６０としての各機能を実現する。あるいは、ＣＰＵ６１０を含むコンピュータは、これらの構成を制御し、図１２に示されている、構造生成部１２０、共起生成部１３２、潜在生成部１４２、スコア計算部１５２、及び対選択部１６０としての各機能を実現する。

ＣＰＵ６１０は、各機能を実現する際に、ＲＡＭ６３０又は内部記憶装置６４０を、プログラムの一時記憶媒体として使用してもよい。

また、ＣＰＵ６１０は、コンピュータで読み取り可能にプログラムを記憶した記録媒体７００が含むプログラムを、図示しない記録媒体読み取り装置を用いて読み込んでもよい。あるいは、ＣＰＵ６１０は、ＮＩＣ６８０を介して、図示しない外部の装置からプログラムを受け取り、ＲＡＭ６３０に保存して、保存したプログラムを基に動作してもよい。

ＲＯＭ６２０は、ＣＰＵ６１０が実行するプログラム及び固定的なデータを記憶する。ＲＯＭ６２０は、例えば、Ｐ−ＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ−ＲＯＭ）又はフラッシュＲＯＭである。

ＲＡＭ６３０は、ＣＰＵ６１０が実行するプログラム及びデータを一時的に記憶する。ＲＡＭ６３０は、例えば、Ｄ−ＲＡＭ（Ｄｙｎａｍｉｃ−ＲＡＭ）である。

内部記憶装置６４０は、情報処理装置６００が長期的に保存するデータ及びプログラムを記憶する。また、内部記憶装置６４０は、ＣＰＵ６１０の一時記憶装置として動作してもよい。内部記憶装置６４０は、例えば、ハードディスク装置、光磁気ディスク装置、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）又はディスクアレイ装置である。

ここで、ＲＯＭ６２０と内部記憶装置６４０は、不揮発性（ｎｏｎ−ｔｒａｎｓｉｔｏｒｙ）の記憶媒体である。一方、ＲＡＭ６３０は、揮発性（ｔｒａｎｓｉｔｏｒｙ）の記憶媒体である。そして、ＣＰＵ６１０は、ＲＯＭ６２０、内部記憶装置６４０、又は、ＲＡＭ６３０に記憶されているプログラムを基に動作可能である。つまり、ＣＰＵ６１０は、不揮発性記憶媒体又は揮発性記憶媒体を用いて動作可能である。

ＩＯＣ６５０は、ＣＰＵ６１０と、入力機器６６０及び表示機器６７０とのデータを仲介する。ＩＯＣ６５０は、例えば、ＩＯインターフェースカード又はＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）カードである。さらに、ＩＯＣ６５０は、ＵＳＢのような有線に限らず、無線を用いてもよい。

入力機器６６０は、情報処理装置６００の操作者からの入力指示を受け取る機器である。入力機器６６０は、例えば、キーボード、マウス又はタッチパネルである。

表示機器６７０は、情報処理装置６００の操作者に情報を表示する機器である。表示機器６７０は、例えば、液晶ディスプレイである。

ＮＩＣ６８０は、ネットワークを介した図示しない外部の装置とのデータのやり取りを中継する。ＮＩＣ６８０は、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）カードである。さらに、ＮＩＣ６８０は、有線に限らず、無線を用いてもよい。

このように構成された情報処理装置６００は、情報処理装置１００ないし１０２と同様の効果を得ることができる。

その理由は、情報処理装置６００のＣＰＵ６１０が、プログラムに基づいて情報処理装置１００ないし１０２と同様の機能を実現できるためである。

＜システムの説明＞
次に、図面を参照して、本実施形態の情報処理装置１００ないし１０２を含む情報処理システム１０について説明する。

図１６は、本発明のおける各実施形態に係る情報処理システム１０の構成の一例を示す図である。情報処理システム１０は、第１の実施形態に係る情報処理装置１００と、送信装置２００と、受信装置３００とを含む。ただし、情報処理システム１０は、情報処理装置１００に替えて、情報処理装置１０１又は１０２を用いてもよい。つまり、情報処理システム１０は、第１の実施形態に係る情報処理装置１００ないし第３の実施形態に係る情報処理装置１０２のいずれか一つと、送信装置２００と、受信装置３００とを含む。

送信装置２００は、情報処理装置１００における処理対象である言語データの提供元である。

送信装置２００は、言語データを取得する。例えば、送信装置２００は、所定の装置から言語データを取得又は受信してもよい。あるいは、送信装置２００は、所定の音声取得装置（例えば、マイクロフォン）からの信号を変換して言語データを生成しもよい。あるいは、送信装置２００は、所定の画像取得装置（例えば、スキャナ）を用いて取得した画像データにおける文字データを変換して、言語データを生成してもよい。

そして、送信装置２００は、言語データを情報処理装置１００に送信する。

送信装置２００の構成は、任意である。例えば、送信装置２００は、スキャナ、記憶装置、データベースサーバ、又は、サーチサーバなどである。

情報処理装置１００は、送信装置２００から言語データを受信する。そして、情報処理装置１００は、上記の動作を基に、述語項構造の対を選択する。そして、情報処理装置１００は、述語項構造の対を受信装置３００に送信する。

受信装置３００は、受信した述語項構造の対を保存する。例えば、受信装置３００は、所定の推論を実行する推論装置に含まれる記憶装置であり、受信した述語項構造の対を推論に用いる所定の知識ベースに保存する。

なお、受信装置３００は、受信した述語項構造の対を出力（例えば、表示）してもよい。

なお、送信装置２００及び／又は受信装置３００は、情報処理装置１００の外部の装置に限られず、情報処理装置１００に含まれていてもよい。

以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成及び詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

１０ 情報処理システム
１００ 情報処理装置
１０１ 情報処理装置
１０２ 情報処理装置
１２０ 構造生成部
１３０ 共起生成部
１３１ 共起生成部
１３２ 共起生成部
１４０ 潜在生成部
１４１ 潜在生成部
１４２ 潜在生成部
１５０ スコア計算部
１５１ スコア計算部
１５２ スコア計算部
１６０ 対選択部
２００ 送信装置
３００ 受信装置
６００ 情報処理装置
６１０ ＣＰＵ
６２０ ＲＯＭ
６３０ ＲＡＭ
６４０ 内部記憶装置
６５０ ＩＯＣ
６６０ 入力機器
６７０ 表示機器
６８０ ＮＩＣ
７００ 記録媒体

Claims (7)

1. 言語データを基に述語と前記述語の対象となる項とを含む述語項構造を生成する構造生成手段と、
   前記述語項構造における前記述語と前記項との共起を示す第１のデータを生成する共起生成手段と、
   前記第1のデータに非負地行列因子分解、Ｔｕｃｋｅｒ分解、又は、復号行列分解を適用して、前記第１のデータを前記第１のデータに含まれる要素より少ない要素を含む複数の第２のデータに分解し、前記第２のデータの積の結果として前記述語と前記項との潜在的共起を含む第３のデータを生成する、又は、前記第１のデータ、前記第２のデータ、及び前記第３のデータを含む最適化問題を解いて前記第３のデータを生成する潜在生成手段と、
   前記第１のデータ及び前記第３のデータにおいて所定の条件を満足する前記述語項構造を選択し、選択した前記述語項構造を含む前記述語項構造の対における前記述語と前記項との共起の値を基に前記述語と前記項との出現確率を算出し、算出した前記出現確率を用いてスコアを計算するスコア計算手段と、
   前記スコアを基に前記対を選択する対選択手段と
   を含む情報処理装置。
2. 前記共起生成手段が、
   前記第１のデータとして、前記述語と前記項とをモードとする原共起テンソルを算出し、
   前記潜在生成手段が、
   前記第２のデータとして、前記原共起テンソルを、前記原共起テンソルのランクより低いランクの因子テンソルに分解し、
   前記第３のデータとして、前記因子テンソルの積である復元テンソルを生成する
   請求項１に記載の情報処理装置。
3. 前記共起生成手段が、
   前記原共起テンソルとして、全ての前記述語と、全ての前記項とをモードとする前記原共起テンソルを生成し、
   前記スコア計算手段が、
   前記復元テンソルにおける前記述語及び前記項それぞれについての前記出現確率を用いて前記スコアを計算する
   請求項２に記載の情報処理装置。
4. 前記共起生成手段が、
   前記原共起テンソルとして、前記述語といずれか一つの前記項とをモードとする複数の前記原共起テンソルを生成し、
   前記潜在生成手段が、
   全ての前記原共起テンソルにおいて、少なくとも一部の前記因子テンソルが同じテンソルとなるように、前記原共起テンソルを前記因子テンソルに分解し、
   前記スコア計算手段が、
   前記復元テンソルに基づいて前記述語及び前記項それぞれについての前記出現確率を計算し、
   前記因子テンソルを用いて複数の項の間における関連度を計算し、
   前記出現確率及び前記関連度を用いて前記スコアを計算する
   請求項２に記載の情報処理装置。
5. 情報処理装置が、
   言語データを基に述語と前記述語の対象となる項とを含む述語項構造を生成し、
   前記述語項構造における前記述語と前記項との共起を示す第１のデータを生成し、
   前記第1のデータに非負地行列因子分解、Ｔｕｃｋｅｒ分解、又は、復号行列分解を適用して、前記第１のデータを前記第１のデータに含まれる要素より少ない要素を含む複数の第２のデータに分解し、
   前記第２のデータの積の結果として前記述語と前記項との潜在的共起を含む第３のデータを生成し、
   前記第１のデータ及び前記第３のデータにおいて所定の条件を満足する前記述語項構造を選択し、
   選択した前記述語項構造を含む前記述語項構造の対における前記述語と前記項との共起の値を基に前記述語と前記項との出現確率を算出し、算出した前記出現確率を用いてスコアを計算し、
   前記スコアを基に前記対を選択する
   情報処理方法。
6. 言語データを基に述語と前記述語の対象となる項とを含む述語項構造を生成する処理と、
   前記述語項構造における前記述語と前記項との共起を示す第１のデータを生成する処理と、
   前記第1のデータに非負地行列因子分解、Ｔｕｃｋｅｒ分解、又は、復号行列分解を適用して、前記第１のデータを前記第１のデータに含まれる要素より少ない要素を含む複数の第２のデータに分解する処理と、
   前記第２のデータの積の結果として前記述語と前記項との潜在的共起を含む第３のデータを生成する処理と、
   前記第１のデータ及び前記第３のデータにおいて所定の条件を満足する前記述語項構造を選択する処理と、
   選択した前記述語項構造を含む前記述語項構造の対における前記述語と前記項との共起の値を基に前記述語と前記項との出現確率を算出し、算出した前記出現確率を用いてスコアを計算する処理と、
   前記スコアを基に前記対を選択する処理と
   をコンピュータに実行させるプログラム。
7. 請求項１ないし４のいずれか１項に記載の前記情報処理装置と、
   前記言語データを取得して、前記情報処理装置に送信する送信装置と、
   選択された前記対を前記情報処理装置から受信して保存する受信装置と
   を含む情報処理システム。

Images